认识 86% 的词，却只听得懂 38% 的台词

假设你想看《葬送的芙莉莲》，于是先学了剧中最常见的 500 个词。一个覆盖率计算器显示，你现在已经认识剧中 85.9% 的词了。

你泡好茶，按下播放键。下面这三句，都是你听到的。

你第三次停下来查词的时候，茶已经凉了。掌握这 500 个词，前 3,000 句台词里有 1,151 句你每个词都认识，占 38.4%。剩下 1,849 句，每句至少有一个词你不认识。

两个数字都是真的

覆盖率是大多数学习网站引用的数字。它指的是你认识的词在全部词次中占的比例，所以一个助词出现一千次就计一千次。《葬送的芙莉莲》的词表最靠前的全是 の（的）、は（主题标记）这类语法成分，光前 100 个词就能给你 68.3% 的覆盖率。但你能听懂的只有 8.5% 的台词。

同样这 500 个词，可以用三个数字来描述。

衡量的对象	《葬送的芙莉莲》前 3,000 句
认识的词	2,448 个不同词中的 500 个（20.4%）
覆盖率（含重复）	85.9%
听懂的台词（每个词都认识）	38.4%

manga-kotoba 的覆盖率表就是这么算的。jpdb 和 jiten 也给出覆盖率数字，不过它们的帮助页面没有写明具体公式。

覆盖率和台词数之间的差距来自每句的长度。这部剧平均每句 7 个词，七个词全认识才算听懂这一句。覆盖率 85.9% 时，听懂一整句的概率约为 35%，也就是 0.859 自乘七次。这个结果和我们实测的 38.4% 很接近。

拿你喜欢的剧试试

粗线是在该剧里能听懂的台词，虚线是该剧的字幕覆盖率，浅色线是在另外七部剧里能听懂的台词。每条曲线都假设你先学该剧最常用的词。

八部剧都有这个缺口。Serial Experiments Lain 用 1,191 个词就达到 95% 的覆盖率，是八部里最少的。即便如此，你也只能跟上 77.5% 的台词。

有些剧需要的词远少于其他剧

八部剧里 Serial Experiments Lain 需要的词最少，大约 400 个就能听懂一半台词。Jujutsu Kaisen 需要 980 个。

剧集	台词数	集数	不同词数	500 词时覆盖率	500 词时听懂的台词	听懂一半台词所需词数
Serial Experiments Lain	2,034	13	1,924	88.0%	55.9%	401
Dororo	3,000	13	2,431	85.2%	42.1%	633
Chainsaw Man	2,849	12	2,203	86.3%	41.1%	647
Frieren	3,000	12	2,448	85.9%	38.4%	730
Mob Psycho 100	3,000	8	2,795	82.4%	39.1%	749
Death Note	3,000	11	2,529	86.6%	36.0%	782
Hunter x Hunter (2011)	3,000	12	2,785	82.3%	34.6%	862
Jujutsu Kaisen	3,000	10	3,028	81.5%	32.7%	980

每部剧都截取到 3,000 句台词，免得集数多的长剧显得更难。如果一部剧越往后越难，它在这里看起来会比实际容易。

听不懂的台词里，很多只差一个词

回到 Frieren。你漏掉了 1,849 句台词。其中 1,042 句只缺一个词，占 56.4%。八部剧里这个比例从 50.2% 到 63.9% 不等。

こちらは約束の報酬です（这是我们承诺的报酬）

从 500 词增加到 1,000 词，带来的帮助远大于覆盖率显示的程度。覆盖率只涨 6.5 个百分点，因为这些新词不常出现。听懂的台词涨 22.1 个百分点，因为一个新词往往就是听懂一句台词所缺的最后一个词。

这些一词之差的缺口没法靠几个词补上。那 1,042 句台词合计缺 804 个不同的词。单个词最多帮你多听懂 4 句台词，比如 後悔（后悔）、約束（约定）和 収集（收集）这样的词。

掌握 2,000 个日语常用词，最多只能听懂 38% 的台词

做个粗略对比。我们用 wordfreq 词表里 2,000 个最常用的普通日语词试了一遍，能听懂的台词占 23.4% 到 37.6%。接着换成每部剧自己的前 2,000 个高频词，比例升到 74.3% 到 93.3%。Serial Experiments Lain 全剧的不同单词不到 2,000 个，所以不在后一个区间里。

一部剧的高频词可能很冷门。《葬送的芙莉莲》词表第 304 位是 生臭坊主，指不守戒律的和尚，正是剧中角色一直用来称呼海塔的词。第 21 位是 魔法，比 私（我）还靠前四位。

用前几集建好的词表，后面仍能覆盖三分之二

假设你用一季的台词学了一部剧的高频词，然后接着看下一季。我们在台词量足够的四部剧上做了接近这个场景的测试。用前 3,000 句台词建词表，再拿它测接下来的 3,000 句。在《芙莉莲》的后 3,000 句里，旧词表覆盖 22.3%，而用这 3,000 句本身建的词表覆盖 33.0%。試験（考试）在前 3,000 句里只出现 1 次，之后出现 51 次，因为角色后面要参加魔法师考试。四部剧的降幅在 5.5 到 14.0 个百分点之间。

一词多义让这些数字偏高

很多词有多个义项，语言学家称之为多义现象。我们统计时，一句台词用的是哪个义项，就算你认识这个词。认识 500 个词时，《芙莉莲》里这两句都算听懂了，手が震えています（我的手在发抖）和 手に取るように分かる（了如指掌）。你可能从第一句起就把 手（手）认得清清楚楚，到第二句照样一头雾水。逐字直译，它的意思是“像拿在手里一样”。有多少句存在这个问题，我们没有统计。单凭这一点，听懂的台词比例就是偏高的。

统计方法

流程

1. 清洗字幕。去掉歌词、格式标签、方括号里的内容和音符，把文本切成句子长度的片段，删除重复的句子。
2. 用免费的日语分词器 Sudachi 把每一句切成词。我们用的是 SudachiPy 0.6.11 配 SudachiDict-core 20260428，split 模式 C，Python 版本 3.13.7。每个词取词典形，所以 行った（去了）和 行く（去）算同一个词。
3. 跳过标点、数字，以及 Sudachi 标注为专有名词的内容。
4. 跳过 シッ（嘘）、ハハッ（哈哈）这类填充词。只有 Sudachi 标注为感叹词、副词或名词的声音才算填充词。语法词尾 ん 的标注不同，仍然计入。助词和 うん（嗯）这类日常应答也算词。
5. 丢掉切完没有剩余词的句子，按集数排序，保留前 3,000 句。
6. 统计每个词的出现次数并排名，次数相同按字母顺序排列。
7. 把前 N 个词视为已掌握。覆盖率 = 已掌握词的出现次数 ÷ 全部词的出现次数。听懂台词的比例，指每个词都认识的句子所占的百分比。

全部逻辑，29 行 Python

# pip install sudachipy sudachidict_core
# lines.txt: one subtitle line per row, in episode order, songs and repeats removed
# fillers.txt: your own list of sounds not to count, one per row
from collections import Counter
from sudachipy import Dictionary, SplitMode
import re

tok = Dictionary().create()
fillers = set(open("fillers.txt", encoding="utf-8").read().split())

def words(line):
 out = []
 for m in tok.tokenize(line, SplitMode.C):
 pos = m.part_of_speech()
 if pos[0] in ("補助記号", "空白", "記号"): continue # punctuation
 if pos[1] in ("固有名詞", "数詞"): continue # names, numbers
 if not re.search(r"[0-9A-Za-zぁ-ヿ一-鿿々]", m.surface()): continue
 if m.surface() in fillers and pos[0] in ("感動詞", "副詞", "名詞"): continue
 out.append(m.dictionary_form())
 return out

lines = [words(l.strip()) for l in open("lines.txt", encoding="utf-8")]
lines = [l for l in lines if l][:3000] # the first 3,000 lines with a real word
count = Counter(w for line in lines for w in line)
known = {w for w, _ in sorted(count.items(), key=lambda x: (-x[1], x[0]))[:500]}

coverage = sum(n for w, n in count.items() if w in known) / sum(count.values())
understood = sum(all(w in known for w in line) for line in lines) / len(lines)
print(f"coverage: {coverage:.1%} lines understood: {understood:.1%}")

拿我们自己的《葬送的芙莉莲》台词跑一遍，输出 85.9% 和 38.4%。我们没有保留未经处理的字幕文件。换成你自己的字幕和填充词表，数字会略有不同。

全部数字

每个单元格先给出覆盖率，再给出在该已知词数下能听懂的台词比例。

剧集	100 词	250 词	500 词	1,000 词	2,000 词
Serial Experiments Lain	70.8% / 20.2%	81.4% / 38.8%	88.0% / 55.9%	93.7% / 73.0%	n/a
Dororo	64.5% / 10.1%	76.6% / 24.6%	85.2% / 42.1%	92.0% / 63.1%	97.8% / 87.6%
Chainsaw Man	66.0% / 9.4%	78.4% / 23.8%	86.3% / 41.1%	93.2% / 65.3%	98.9% / 93.3%
Frieren	68.3% / 8.5%	78.7% / 22.5%	85.9% / 38.4%	92.4% / 60.5%	98.0% / 86.9%
Mob Psycho 100	64.7% / 11.3%	75.1% / 25.4%	82.4% / 39.1%	89.5% / 58.0%	95.8% / 79.5%
Death Note	67.3% / 6.9%	78.9% / 18.0%	86.6% / 36.0%	93.0% / 59.1%	98.0% / 84.6%
Hunter x Hunter (2011)	63.0% / 9.0%	74.0% / 20.9%	82.3% / 34.6%	89.9% / 55.1%	96.3% / 79.6%
Jujutsu Kaisen	63.7% / 9.5%	74.3% / 20.7%	81.5% / 32.7%	88.4% / 50.5%	94.8% / 74.3%

要达到指定台词理解比例所需的已知词数

剧集	25% 的台词	50%	75%	90%
Serial Experiments Lain	130	401	1,082	1,686
Dororo	254	633	1,429	2,101
Chainsaw Man	263	647	1,313	1,893
Frieren	283	730	1,491	2,111
Mob Psycho 100	241	749	1,775	2,458
Death Note	345	782	1,545	2,200
Hunter x Hunter (2011)	320	862	1,768	2,446
Jujutsu Kaisen	328	980	2,032	2,695

哪些因素会让结果不准

• “听懂”指每个词都认识。它不考虑语法、汉字读音、语速和上下文。
• 我们假设你恰好认识剧中最常见的那些词，而且一个都没忘。如果你认识的是别的词，或者忘了一些，这些数字会更低。而且你得在看之前先拿到一份该剧的词表。
• 每句不同的台词只计一次。实际看剧时，像 うん（嗯）这样的套话会反复出现，这很可能提高能听懂的台词比例。我们没有测量这一点。
• 台词取自各剧最早的若干集，没有跳集。Chainsaw Man 和 Serial Experiments Lain 的台词不足 3,000 句，所以用了它们的全部台词。台词越少，得分越高。在 500 词时，其他剧集截到 Lain 的长度后，得分最多高出 4.8 个百分点。Serial Experiments Lain 的字幕质量较低，因此它的数字可靠性也更差。
• 有些字幕文件会用略微不同的措辞重复同一句台词，我们只删除了完全重复的。把近似重复的也删掉，500 词时能听懂的台词比例最多变化 2.2 个百分点。
• 什么算填充词是个判断问题。如果把填充词也算作词，500 词时能听懂的台词比例最多相差 2.7 个百分点。变化是双向的，因为我们计入的台词会随之改变。
• 按实际听到的形式计数，即 行った 和 行く 分开计，500 词时能听懂的台词比例会下降 5.3 到 7.7 个百分点。
• 一个词无论有几个义项都只算一次，这会让词汇覆盖率和“听懂的台词”都偏高。我们无法统计每一句用的是哪个义项。作为部分检验，我们按 Sudachi 给出的每个词性分别计数，在 500 词时“听懂的台词”下降了 1.2 到 2.5 个百分点。这种检验只能捕捉名词与动词之类的差异。
• Sudachi 会出错。它有时会把一个词切成碎片，还会把一些名字当作普通词处理，フリーレン（Frieren）在她自己的词表上排第 31 位。把 Sudachi 不认识的每个词都算作已知词，在 500 词时最多只增加 0.6 个百分点。

learnfromx 是一款用动画教日语的闪卡应用。每张卡片配一句台词，台词里除了那一个新词，其他你都认识，这也是我们开始统计台词数的原因。上面的数字对每个词只计一次，不管它有几个义项。放到应用里这样行不通。知道 あれ 是“那个”，碰上有人说 あれ？（咦？）也帮不上忙。这是两张独立的卡片。目前还没能覆盖所有这类词，我们正在改进。抢先体验期间只提供一部作品，Hunter x Hunter。